Baixe o app para aproveitar ainda mais
Prévia do material em texto
Soma de Variáveis Aleatórias Wendeson da Silva Oliveira Veremos.... • Que quando o número de observações de uma variável aleatória independente é grande: – A frequência relaDva se aproxima da probabilidade teórica; – Qualquer distribuição pode ser aproximada por uma normal. Soma de variáveis aleatórias • À medida que o número de repeDções de um experimento cresce, a frequência relaDva fA de algum evento A converge para a probabilidade teórica P(A). – Este fato permite "idenDficar" a frequência relaDva de um evento, baseada em um grande número de repeDções, com a probabilidade do evento. Soma de variáveis aleatórias • Por exemplo: – Se uma nova peça for produzida e não Dvermos conhecimento anterior sobre quão provável será que a peça seja defeituosa, poderemos proceder: • à inspeção de um grande número dessas peças, digamos N; • contarmos o número de peças defeituosas dentre elas, por exemplo n; • depois empregarmos n/N como uma aproximação da probabilidade de que uma peça seja defeituosa. – O número n/N é uma variável aleatória e seu valor depende de: » Probabilidade básica p de que uma peça seja defeituosa; » Daquelas N peças que tenham sido inspecionadas. O que iremos mostrar é que se a técnica de selecionar as N peças for aleatória, então o quociente n/N será próximo de p. Lei dos Grandes Números • Suponha-‐se que um míssil guiado tenha a probabilidade 0,95 de funcionar adequadamente durante um certo período de operação. • Consequentemente, se soltarmos N mísseis que tenham a confiabilidade mencionada, e se X for o número de mísseis que não funcionem adequadamente, teremos E(X) = 0,05N, porque poderemos admiDr que X seja binomialmente distribuída. – À medida que N crescer, X deve convergir, de algum modo, para o número 0,05. Lei dos Grandes Números • Formulação de Bernouilli: – Seja E um experimento e A um evento associado a E; – Considere n repeDções independentes de E; – Seja nA o número de vezes em que A ocorra nas n repeDções, e ; – Façamos fA = nA/n e P(A) = p. – Então, para todo número posiDvo ε, teremos: – Isso acarreta: ou Lei dos Grandes Números • Outra forma da Lei dos Grandes Números é obDda quando nos fazemos a seguinte pergunta: – Quantas repeDções do experimento E deveremos realizar, a fim de termos uma probabilidade de ao menos 0,95, para que a frequência relaDva difira de p = P(A) por menos do que 0,01? • Isto é: para ε=0,01, desejamos escolher n de modo que: • Isolando n: • SubsDtuindo os valores específicos de 0,05 e 0,01 por δ e ε, respecDvamente, teremos: Lei dos Grandes Números • Exemplo: – Quantas vezes deveremos jogar um dado equilibrado, de maneira a ficarmos ao menos 95 por cento certos de que a frequência relaDva de Drarmos um seis, fique a menos de 0,01 da probabilidade teórica 1/6? • Portanto: Lembrando: fA é uma variável aleatória e não apenas um valor observado. p = 1/6; 1-‐p = 5/6; ε=0,01 e δ = 0,05 n≥(1/6)(5/6)/(0.01)2(0,05) = 27.778. Lei dos Grandes Números • Outra formulação da Lei dos Grandes Números pode ser obDda da seguinte maneira. Suponha que X1,.., Xn sejam variáveis aleatórias independentes, idenDcamente distribuídas, com média e variância finitas. Sejam E(Xi) = µ e V(Xi) = σ2. Defina-‐se: • Das propriedades dai expectância e variância, l temos imediatamente, E(X) = µ e V(X) = σ2/n – Dessa forma, podemos escrever: X = (1 / n) (X1 + ... + Xn ) Aproximação Normal da Distribuição Binomial • Considerando uma variável aleatória X binomialmente distribuída, a Lei dos Grandes Números diz que à medida que o número de repeDções de um experimento crescer, a frequência relaDva de sucesso, X/n, convergirá para a probabilidade de sucesso p. • Contudo, saber-‐se que X/n será "próximo" de p, para n grande, não nos diz como essa "proximidade" é alcançada. Aproximação Normal da Distribuição Binomial • Por exemplo: – Suponha-‐se que um processo de fabricação produza arruelas, cerca de 5 por cento das quais são defeituosas. Se 100 arruelas forem inspecionadas, qual será a probabilidade de que menos de 4 arruelas sejam defeituosas? • Sendo X igual ao número de arruelas defeituosas encontradas, a Lei dos Grandes Números apenas nos diz que X/100 será "próximo" de 0,05. No entanto não diz qual será a probabilidade. • O valor exato dessa probabilidade é dado por: Aproximação Normal da Distribuição Binomial • Aproximação normal da distribuição binomial é dado por:• Então, para n grande, Y terá uma distribuição aproximadamente N(0, 1), no senDdo de que – Esta aproximação será válida para valores de n > 10, desde que p seja próximo de 1/2. – Se p for próximo de 0 ou 1, n deverá ser um tanto maior, para garanDr uma boa aproximação. Aproximação Normal da Distribuição Binomial • Voltando ao exemplo acima, observamos que: • Daí podemos escrever: – P(X ≤3) = P(0≤X ≤ 3) Aproximação Normal da Distribuição Binomial • Ao empregar a aproximação normal à distribuição binomial, devemos tomar cuidado, pois estaremos aproximando a distribuição de uma variável aleatória discreta com a distribuição de uma variável aleatória consnua. – A aproximação pode ser melhorada através do uso da Correção de ConAnuidade. Aproximação Normal da Distribuição Binomial • A correção de conDnuidade consiste em acrescentar ou reduzir 0,5 da variável aleatória X. Por exemplo: – P(X ≤ 4) = P(X < 4, 5) – P(X < 4) = P(X < 3, 5) – P(X > 4) = P(X > 4, 5) – P(X ≥ 4) = P(X > 3, 5) Aproximação Normal da Distribuição Binomial • Exemplo: – Suponha-‐se que um sistema seja formado por 100 componentes, cada um dos quais tenha confiabilidade igual a 0,95. Se esses componentes funcionarem independentemente um do outro, e se o sistema completo funcionar adequadamente quando ao menos 80 dos componentes funcionarem, qual será a confiabilidade do sistema? Aproximação Normal da Distribuição Binomial • Exemplo: – Devemos calcular: – Temos: • Daí, empregando a correção de conDnuidade, obteremos: Teorema do Limite Central • Se uma variável aleatória X puder ser representada pela soma de quaisquer n variáveis aleatórias independentes (que saDsfaçam a determinadas condições que valem na maioria das aplicações), então esta soma, para n suficientemente grande, terá distribuição aproximadamente normal. Teorema do Limite Central • Teorema do Limite Central: – Seja X1 , X2, ... , Xn,... uma sequência de variáveis aleatórias independentes, com E(Xi) =µi e V(Xi) = σi2, i=1,2,.... Façamos X= X1 + X2 + ... + Xn ... – Então, sob determinadas condições gerais, temos que: tem aproximadamente a distribuição N(0, 1). • Isto é, se Gn for a função de densidade da variável aleatória Zn, teremos que: Teorema do Limite Central • O fato de que as variáveis Xi possam ter qualquer espécie de distribuição, e também que a soma X= X1 + ... +Xn possa ser aproximada por uma variável aleatória normalmente distribuída, consDtui a razão fundamental da importância da distribuição normal na teoria da probabilidade. • Conclui-‐se que, em muitos problemas, a variável aleatória poderá ser representada pela soma de n variáveis aleatórias independentes e, consequentemente, sua distribuição poderá ser aproximada pela distribuição normal. Teorema do Limite Central • As condições gerais, mencionadas no enunciado do Teorema do Limite Central, podem ser resumidas da seguinte maneira: – Cada parcela na soma contribui com um valor sem importância para a variação da soma, e é muito improvável que qualquer parcela isolada dê uma contribuição muito grande para a soma. – As parcelas não necessitam ser normalmente distribuídas, para que a soma seja aproximada por uma distribuição normal. Teorema do Limite Central • Resumindo: – Qualquer que seja a distribuição da variável de interesse para grande amostras, a distribuição da soma será aproximadamente normalmente distribuída, e tenderá a uma distribuição normal à medida que o tamanho de amostra crescer. Teorema do Limite Central • Exemplo: – Considere-‐se uma urna que contenha três espécies de objetos idenDficados como 0, 1 e 2. Suponha que lá existem 20 zeros, 30 uns e 50 dois. Um objeto é extraído aleatoriamente e seu valor, digamos X, é registrado. Suponha que X tenha a seguinte distribuição Teorema do Limite Central • Suponha que o objeto extraído em primeiro lugar seja reposto na urna e, a seguir, um segundo objeto seja extraído e seu valor, digamos Y, seja registrado. Considere-‐se a variável aleatória M = (X+ Y)/2, e sua distribuição Teorema do Limite Central • Os valores de P(M foram obDdos da seguinte maneira): – P(M = 0) = P(X = 0, Y = 0) = (0,2)2= 0,04; – P(M = 1/2) = P(X = 0, Y = 1) + P(X = 1, Y = 0) – =(0,2)(0,3) + (0,3)(0,2) = 0,12 – etc. Teorema do Limite Central • Finalmente, suponha-‐se que depois que o segundo objeto tenha sido também reposto, um terceiro objeto seja extraído e seu valor, digamos Z, seja registrado. Considere a variável aleatória N = (X+ Y + Z)/3 e sua distribuição: Teorema do Limite Central Teorema do Limite Central • Existem algumas distribuições importantes, que não a distribuição binomial, as quais podem ser aproximadas peladistribuição normal. • Em cada caso, como observaremos, a variável aleatória, cuja distribuição nós aproximaremos, pode ser representada como a soma de variáveis aleatórias independentes dando-‐nos assim uma aplicação do Teorema do Limite Central. Distribuição de Poisson • Recorde-‐se de que uma variável aleatória de Poisson surge quando esDvermos interessados no número total de ocorrências de algum evento, em um intervalo de tempo de extensão t, com intensidade de α. • Nós poderemos considerar o número total de ocorrências como a soma das ocorrências em intervalos menores não-‐sobrepostos, tornando, dessa maneira, aplicáveis os resultados do teorema do limite central. Distribuição de Poisson • Exemplo: – Suponha-‐se que, em uma determinada central telefônica, as chamadas cheguem com a taxa de 2 por minuto. Qual é a probabilidade de que 22 ou menos chamadas sejam recebidas durante um período de 15 minutos? • Se fizermos X= número de chamadas recebidas, então, E(X) = 2(15) = 30. • Para calcular P(X<22), e aplicando a correção de conNnuidade, teremos: Distribuição de Pascal • Se Y = número de provas de Bernouilli necessárias para obter r sucessos, então, Y tem uma distribuição de Pascal e pode ser representada como a soma de r variáveis aleatórias independentes. Distribuição de Pascal • Exemplo: – Achar um valor aproximado para a probabilidade de que serão executados 150 ou menos provas para obter 48 sucessos, quando P(sucesso) = 0,25. Escrevendo X= número de provas necessárias, teremos: • E(X) = r/p = 48/0,25 = 192, e • Var X=rq/p2 = (48X0,75)/(0,25)ˆ2 = 576. – Portanto Distribuição Gama • Relembrando: uma variável aleatória que tenha a distribuição Gama (com parâmetros α e r) poderá ser representada como a soma de r variáveis aleatórias independentes, com distribuição exponencial. Portanto, para r grande, também é aplicável o Teorema do Limite Central. Distribuição da soma de um número Finito de Variáveis Aleatórias • Sabemos que a soma de um número finito qualquer de variáveis aleatórias independentes e normalmente distribuída é também normalmente distribuída • Do Teorema do Limite Central, podemos concluir que, para n grande, a soma de n variáveis aleatórias é aproximada e normalmente distribuída. Distribuição da soma de um número Finito de Variáveis Aleatórias • A questão seguinte ainda resta a ser respondida: – Suponhamos que se considere X1 + ... + Xn, onde os Xi são variáveis aleatórias independentes (não necessariamente normais) e não seja suficientemente grande para jusDficar o emprego do Teorema do Limite Central. Qual será a distribuição desta soma? Distribuição da soma de um número Finito de Variáveis Aleatórias • Teorema: – Suponha-‐se que X e Y sejam variáveis aleatórias independentes, cada uma das quais possa tomar somente valores inteiros não-‐negaDvos. • Seja p(k) = P(X = k), k = 0, 1, 2, e; • Seja q(r) = P(Y =r), r= 0, 1, 2, ... • Façamos Z = X+ Y e w(i) = P(Z = i). Então: Distribuição da soma de um número Finito de Variáveis Aleatórias • Exemplo: – Representemos por X e Y o número de emissões de parsculas α por duas diferentes fontes de material radioaDvo, durante um período especificado de tempo t. Suponha-‐se que X e Y tenham distribuições de Poisson, com parâmetros β1t e β2t, respecDvamente. Representemos por Z = X + Y o número total de parsculas emiDdas pelas duas fontes. Distribuição da soma de um número Finito de Variáveis Aleatórias • Exemplo (ConDnuação): • A expressão representa a probabilidade de que uma variável aleatória, que tenha uma distribuição de Poisson com parâmetro β1t + β2t tome o valor i. • Deste modo, a soma de duas variáveis aleatórias independentes com distribuição de Poisson tem distribuição de Poisson.
Compartilhar